把同一段文字丢进三个不同的 AI 检测工具，你很可能拿到三个差距巨大的分数：12%、58%、89%。这不是有人在骗你，而是这项技术本身就有相当大的不确定性。
这一讲把话说透：AI 检测在哪些情况下会看走眼，哪些文本天生容易被冤枉，哪些又注定抓不到。
一、先分清两种错
检测只有两种错误，但代价完全不同：
- 误报（假阳性）：人写的，被判成 AI。这是代价更大的一种——它会让无辜的人被怀疑、被质询、甚至被处罚。
- 漏报（假阴性）：AI 写的，被判成人。代价是"工具没用"，但至少不冤枉人。
一个负责任的工具，会把压低误报放在第一位。可惜市面上不少工具为了显得"厉害"，把阈值调得很激进——宁可错杀。看到动不动就给 95% 的工具，反而要多留个心眼。
二、谁最容易被冤枉
1. 非母语写作者
这是最被证实的系统性偏差。非母语者的写作通常：
- 用词更保守、更依赖常见搭配；
- 句式更简单、更规整；
- 少用俚语、双关和文化梗。
——这些特征，恰好和 AI 文本的统计特征高度重合。结果就是：英语非母语的学生、用外语写论文的研究者，被判成 AI 的概率明显偏高。国内外都有真实案例被媒体报道过。
2. 正式文体
公文、法律文书、产品说明书、学术论文摘要、新闻通稿……这些文体的写作目标本来就是"清楚、规范、不带个人情绪"。而 AI 训练时学的正是这类文本。于是出现一个尴尬的局面：越规范的写作，越像 AI。
如果拿检测结果去评估员工周报、学生作业，规范写作的人反而吃亏。这不是假设，是已经被反复观察到的现象。
3. 短文本
五十个字里能提取的统计特征太少，任何判断都接近抛硬币。负责任的工具会给出"字数不足，置信度低"的提示；不负责任的照给高分。
4. 经过编辑、润色的文本
被老师改过的作文、被编辑精修过的稿件，语言会被"抹平"——而抹平正是 AI 的特征。
三、谁注定抓不到
1. 改写过的（降 AI 味）
这是检测最大的软肋。改写工具做的事其实很朴素：
- 把抽象表达换成具体细节；
- 打乱整齐的句式节奏；
- 删掉套路连接词和总结段；
- 加入口语化的插入语、不规则标点。
这几招正好打在第 2 讲说的困惑度和突发性上。改完之后，统计特征就"像人"了。而且改写工具本身也是 AI——这是一场持续的军备竞赛，检测方永远慢半拍。
2. 翻译过的
AI 生成 → 翻译成另一种语言 → 再译回来，统计特征几乎被完全重塑。跨语言的检测能力，目前普遍很弱。
3. 人机混合写作
现实中大量存在的是"AI 起草 + 人工修改"，或者"人写一半 + AI 补一半"。这种情况下，"是不是 AI 写的"本身就不是个好问题——答案是"部分是"，而任何单一百分比都无法描述这种状态。
4. 高温度生成 + 人工筛选
把第 3 讲说的温度调高，生成十几版，挑最"有人味"的那版。统计特征立刻接近人类分布，检测基本失效。
四、为什么不同工具差这么多
三个原因：
- 特征集不同：有的主要看困惑度，有的看句法，有的看词频，加权方式也不一样；
- 阈值不同：同一个 60 分，有的工具划到"疑似 AI"，有的划到"无法判断"；
- 训练数据不同：拿 GPT 系列训出来的检测器，面对其他模型的输出时表现会下降。模型迭代快，检测器很容易过时。
所以"多个工具交叉验证"是有意义的，但前提是理解：交叉验证只能提高置信度，不能消除不确定性。
五、那还能怎么用
不是不能用，是要用对地方。几个务实的原则：
① 当筛查线索，不当结论；
② 分数高时，追问写作过程（有没有草稿、版本记录、检索痕迹），过程证据比分数可靠得多；
③ 结合文体和非母语背景综合判断；
④ 给别人定性前，先告知对方并给解释机会；
⑤ 别对 200 字以下的文本下任何结论。
把检测分数当作处罚、扣分、拒稿的唯一依据。这在技术上不成立，在伦理上也有问题——已经有学生因为误判被错误指控的公开案例。
六、一个更靠谱的思路：过程证据
比起事后鉴字，更有说服力的其实是过程：
- 文档的编辑历史、版本记录；
- 写作时的检索与草稿痕迹；
- 能否口头复述并解释自己写的内容；
- 内容与作者既往作品的风格一致性。
这些东西比任何一个百分比都难造假。检测工具的正确位置，是"提醒你该去看过程了"，而不是"替你下结论"。
小结
AI 检测能做的是提示可能性，做不到确定性判定。它最容易冤枉的，恰恰是最认真写的人——非母语者、写作规范的人、被反复修改过的稿件。用之前先想清楚：如果判错了，代价谁承担？
文本讲完了，接下来四讲转向图片。第 7 讲从最实用的开始：不看工具，用你自己的眼睛怎么认。